python的numpy库使用详解

最新推荐文章于 2025-03-26 20:55:42 发布

流光、月影

最新推荐文章于 2025-03-26 20:55:42 发布

阅读量6.5k

点赞数 13

文章标签： python numpy 数据分析

本文链接：https://blog.youkuaiyun.com/m0_71559726/article/details/130374200

版权

本章介绍python是数组库——numpy的使用。numpy数组对于表格的学习具有很重要的作用，特别是pandas，学好numpy，为pandas打好基础。

（2）np.random.choice()

（3）np.random.shuffle()

（4）np.random.permutation()

7. 数组维度/形状的转换/转置

（1）arr.reshape()

（2）arr.flatten()

（3）arr.T 或 arr.transpose() 二维数组转置

8. 数组的运算

（1）数组和数字之间的加减乘除

（2）数组与数组之间的加减乘除（形状一样个案对位）

（3）数组与数组之间的加减乘除（形状不一样但行/列对位）

（1）arr.sort(axis=1) 排序

（2）arr.argsort() 排序对应的索引位置

（3）arr.argmax() 最大值所在的索引位置

（4）arr.argmin() 最小值所在的索引位置

（5）np.maximum()、np.minimum() 同位数比较取值

16. 索引量统计 np.bincount()

17. 数组合并

（1）np.vstack() 纵向合并

（2）np.hstack() 横向合并

（3）np.concatenate() 纵向/横向合并

1. 创建数组

（1）np.array()

array(object, dtype=None, *, copy=True, order='K', subok=False, ndmin=0,like=None)

object：一个序列，可为列表或者元组。

dtype：numpy内部数据类型，可以把数据转换为整数或者浮点数，可以选择int,int32,int64,float,float32,float64等。

copy：复制object序列，默认为True。当object是数组时，复制副本就不会影响原数组。

order：创建数组的布局形式。

subok：默认为False。是否使用内部数组类型。

ndmin：指定数组的维度。

like：创建维度像xxx一样数组。

直接创建数组，可以键入列表、元组。用的最多的参数只有前两个。

import numpy as np
arr = np.array([1,2,3,4,5])
print(arr)
print(type(arr))
print(arr.dtype)

传入元组也可以，自己动手试试。数组在 "外观" 上的不同在于列表是用逗号隔开，而数组是用空格隔开；在本质上的不同在于数组是一组同类数据的组合（全是数字或者全是字符串），而列表可以为不同类别。

加入同时传入数字和字符串，那么该数组的格式数据类型为字符串。如：

arr = np.array([1,2,'大',4,5])
print(arr)
print(type(arr))
print(arr.dtype)

type()函数是python的内置函数，用于判断整个变量是什么数据类型；arr.dtype是numpy的函数，用于判断数组中的数据属于什么数据类型。

（2）np.arange()

arange(start, stop, step, dtype=None, *, like=None)     连续范围创建。

start：开始（包含）。

stop：结束（不包含）。

step：步长（间距）。

dtype：numpy内部数据类型。

like：创建维度像xxx一样数组。

arr = np.arange(1,9)
# arr = np.array([1,2,3,4,5,6,7,8,9])      # 一样
# arr = np.array(range(1,9))        # 一样
print(arr)

arr_2 = np.arange(1,9,2)
print(arr_2)

2. 创建多维数组

（1）创建二维数组

arr = np.array([[1,2,3,4],
                [5,6,7,8]])
print(arr)

二维可以理解为一个平面，也可以理解为一个几行几列的表格。

（3）创建多维数组

arr = np.array([[[1,2,3,4],[5,6,7,8]],
                [[10,11,12,13],[14,15,16,17]]])
print(arr)

该例子为创建三维数组，就是多个平面（二维）叠加嘛。

3. 创建特殊数组

（1）np.ones()

np.ones(shape, dtype=None, order='C', *, like=None)    创建一个shape形状的全是1的数组。

shape：形状，几行几列。

arr = np.ones([2,3])
print(arr)

如果想得到整数，可设置数组数据类型：

arr = np.ones([2,3],dtype='int32')
print(arr)

创建一个2行3列的1数组。

（2）np.zeros()

arr = np.zeros([2,3])
print(arr)

创建一个2行3列的零数组。

（3）np.full()

np.full(shape, fill_value, dtype=None, order='C', *, like=None)    创建一个shape形状的全是特定值的数组。

arr = np.full([2,3],520)
print(arr)

创建一个指定形状指定数值的数组。

（4）np.eye()

        np.eye(N, k=0, dtype=<class 'float'>)  创建对角线为1，其余为0的数组。

N：数组的规模形状几行几列（行数=列数）

k：哪条边全是1？对角线上下方（+ -）第k条线全是1，其余全是0。

dtype：内部数据类型。

a = np.eye(N=3,k=0)
print(a)
print('-'*35)

b = np.eye(N=3,k=1)
print(b)

如图，N=3则3行3列；k=0则是对角线全是1，其余全是0；k=1则是对角线上方第k条线全是1，其余全是0；k=-1则是对角线下方第k条线全是1，其余全是0......

（5）np.diag()

        np.diag(a, k=0)   生成对角线元素是a的数组。

a：可以是一个列表、元组等。

k：哪条边全是1？对角线上下方（+ -）第k条线的元素是a，其余全是0。

a = [1,2,3]

b = np.diag(a)
print(b)

再如 k=1 （对角线上方第1条线的元素是a，其余全是0）：

a = (1,2,3)

b = np.diag(a,k=1)
print(b)

4. 数组模板创建数组

（1）np.ones_like()

np.ones_like(a, dtype=None, order='K', subok=True, shape=None)    以一个数组为模板，创建一个和它形状一样，值是1的数组。

arr = np.array([[1,2,3],[4,5,6]])
print(arr)
print('-'*70)

a = np.ones_like(arr)
print(a)

此案例以arr数组为模板，创建一个形状像arr的，数值全是one即1的数组。

（2）np.zeros_like()

np.zeros_like(a, dtype=None, order='K', subok=True, shape=None)    以一个数组为模板，创建一个和它形状一样，值是0的数组。

arr = np.array([[1,2,3],[4,5,6]])
print(arr)
print('-'*70)

a = np.zeros_like(arr)
print(a)

（3）np.full_like()

np.full_like(a, fill_value, dtype=None, order='K', subok=True, shape=None)   以一个数组为模板，创建一个和它形状一样，值是指定数值的数组。

arr = np.array([[1,2,3],[4,5,6]])
print(arr)
print('-'*70)

a = np.full_like(arr,520)
print(a)

5. 数组的属性

arr.shape	返回一个数组的形状，即几行几列。
arr.size	返回一个数组中所有数据元素的数目。
arr.ndim	返回数据是几维的。

arr = np.array([[[1,2,3,4],[5,6,7,8]],
                [[10,11,12,13],[14,15,16,17]]])
print(arr)
print('-'*70)
print(arr.shape)
print(arr.size)
print(arr.ndim)

可见该三维数组是由2个平面，每个平面由2行，每行由4个元素组成的。元素总数是16个。是三维数组。

6. numpy中的 random随机库

（1）随机数生成

np.random.randint(low, high=None, size=None, dtype=int)

low：最小值（包括）。

high：最大值（不包括）。

size：数量，形状等

dtype：数据类型。

ran = np.random.randint(1,51,(2,3))
print(ran)

通过随机数创建一个2行3列的数组。numpy中的随机数有点在于可以设置数组的形状（几行几列等），而随机数库random一次只能得到一个。

其他随机数函数的用法和 random库的用法是一样的，可以在random库了解更多random的函数。需要注意的是，在random库中，是包括左右边界的；而在np.random中是不包括右边界的。

（2）np.random.choice()

np.random.choice(a,size) 在a中随机选取size数量的元素，元素之间有可能重复。a可以为一个数，也可以是一个列表。若是一个数，则表示为 range(0,a)。

a = np.random.choice(10,(3,2))
print(a)

（3）np.random.shuffle()

np.random.shuffle(a) 洗牌，把数组a随机打乱。注意该函数是直接作用于a的，如果重新定义变量，得到的会是None。如果想赋给新变量，可以使用 np.random.permutation函数。

a = np.random.choice(10,(3,2))
print(a)
print('-'*50)

np.random.shuffle(a)
print(a)

知识点：一维打乱元素，二维只打乱行的顺序，三维只打乱块的顺序。大家也可以亲自去试试。

（4）np.random.permutation()

np.random.permutation(a) 作用和 np.random.shuffle(a)一样，但该函数可以对洗牌后的数组赋予新变量，使原数组不发生改变。

a = np.random.choice(10,(3,2))
print(a)
print('-'*50)

b = np.random.shuffle(a)         # 无法赋予给新变量b，若赋予，会得到None
print(b)
print('-'*50)

c = np.random.permutation(a)     # 可以赋予给新变量c
print(c)

shuffle 和 permutation 的区别在于：前者是在原来是数组上打乱；后者是新定义一个变量（如c），使新变量改变，而原数组不变。

7. 数组维度/形状的转换/转置

（1）arr.reshape()

arr.reshape(shape, order='C')     把数组转换为shape形状。

arr = np.arange(1,25)
print

最低0.47元/天解锁文章